CN114638828A - 一种基于计算机视觉的放射影像智能分割方法 - Google Patents

一种基于计算机视觉的放射影像智能分割方法 Download PDF

Info

Publication number
CN114638828A
CN114638828A CN202210536070.3A CN202210536070A CN114638828A CN 114638828 A CN114638828 A CN 114638828A CN 202210536070 A CN202210536070 A CN 202210536070A CN 114638828 A CN114638828 A CN 114638828A
Authority
CN
China
Prior art keywords
bone
skeleton
image
point
mutation
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202210536070.3A
Other languages
English (en)
Other versions
CN114638828B (zh
Inventor
王同伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shuju Shandong Medical Technology Co ltd
Original Assignee
Shuju Shandong Medical Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shuju Shandong Medical Technology Co ltd filed Critical Shuju Shandong Medical Technology Co ltd
Priority to CN202210536070.3A priority Critical patent/CN114638828B/zh
Publication of CN114638828A publication Critical patent/CN114638828A/zh
Application granted granted Critical
Publication of CN114638828B publication Critical patent/CN114638828B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10116—X-ray image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30008—Bone

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及图像处理技术领域，具体涉及一种基于计算机视觉的放射影像智能分割方法，该方法包括：对胸部X光图像进行分割得到骨骼区域图像；以骨骼区域图像中的像素点为中心建立窗口图像，根据窗口图像内像素点灰度值获取突变点及其数量，根据内突变点的数量确定初始骨骼边缘点；将骨骼与预设的标准骨骼模板进行匹配得到对应的标准骨骼模板，获取标准骨骼模板的中心曲线；根据中心曲线及骨骼的轮廓获取每个骨骼的边缘曲线；计算每个骨骼的初始骨骼边缘点距边缘曲线的最小距离，根据最小距离确定最终骨骼边缘点；根据最终骨骼边缘点得到掩膜图像，对掩膜图像进行均衡化得到增强图像，本发明方法增强了骨骼的病变区域的显示效果。

Description

一种基于计算机视觉的放射影像智能分割方法
技术领域
本发明涉及图像处理技术领域，具体涉及一种基于计算机视觉的放射影像智能分割方法。
背景技术
现代医疗的放射影像为医生提供了病人体内的一些病症的详细信息，尤其是对于肋骨病变，如骨折，骨裂等肋骨病情诊断中均利用的对胸部拍摄X光得到X光胶片图像进行诊断。
然而，由于人体胸部位置的内部结构的复杂性以及X光设备噪声的影响，使得X光胶片存在噪声多、骨骼与背景的边界不明显、局部对比度较小的问题。
现有技术中采用阈值分割的方法对图像进行分割，在对胸部X光胶片图像进行分割时，由于骨骼与背景的边界不明显、局部对比度较小，从而会使得分割不完整或错误分割，尤其是对于“柳枝样骨折”、骨折无错位病变区域很容易观察，从而影响对病变区域的确定，因此，需要一种基于计算机视觉的放射影像智能分割方法。
发明内容
本发明提供一种基于计算机视觉的放射影像智能分割方法，以解决现有的问题。
本发明的一种基于计算机视觉的放射影像智能分割方法采用如下技术方案：该方法包括：
采集胸部X光图像，对胸部X光图像进行分割得到骨骼区域图像；
以骨骼区域图像中每个像素点为中心点建立窗口图像，根据窗口图像内各个像素点灰度值获取突变点及突变点的数量，根据窗口图像内突变点的数量计算突变比例，根据突变比例及预设的突变比例阈值确定初始骨骼边缘点；
将骨骼区域图像中的每个骨骼与预设的标准骨骼模板进行匹配得到对应的标准骨骼模板，获取标准骨骼模板的中心曲线，该中心曲线即为对应骨骼的中心曲线；
根据中心曲线及每个骨骼的轮廓获取每个骨骼的上边缘曲线和下边缘曲线；
计算每个骨骼的初始骨骼边缘点距上边缘曲线、下边缘曲线的最小距离，根据最小距离及预设的阈值确定最终骨骼边缘点；
根据最终骨骼边缘点制作掩膜，根据掩膜和骨骼区域图像得到掩膜图像，对掩膜图像进行均衡化得到增强图像。
进一步的，对胸部X光图像进行分割得到骨骼区域图像的步骤包括：
对胸部X光图像进行DNN语义分割；
属于背景类的标注为0，属于骨骼类的标注为1，其中，骨骼类包括：肋骨和锁骨；
获取属于背景类的背景区域和属于骨骼类的骨骼区域图像。
进一步的，根据窗口图像内各个像素点灰度值获取突变点及突变点的数量的步骤包括：
获取每个中心点对应的像素点的灰度值及中心点的8个方向邻域的像素点的灰度值；
计算窗口图像内各个像素点与中心点的灰度差；
根据灰度差获取突变点，并确定突变点的数量。
进一步的，根据窗口图像内突变点的数量计算突变比例，根据突变比例及预设的突变比例阈值确定初始骨骼边缘点的步骤包括：
计算突变点个数占窗口图像内所有像素点个数的比例，该比例记为突变比例；
当突变比例大于突变比例阈值时，则将该中心像素点定义为初始骨骼边缘点；
当突变比例大于突变比例阈值时，则将该中心像素点定义为初始骨骼非边缘点。
进一步的，获取标准骨骼模板的中心曲线的步骤包括：
对标准骨骼模板进行二值化处理得到二值图像；
对二值图像进行细化处理得到骨骼的多个骨架节点；
基于图理论对所有骨架节点进行最短路经算法得到最短线条；最短路径形成的线条即为骨骼线条；
利用多项式拟合方法对骨骼线条进行拟合得到标准骨骼模板的中心曲线，所述标准骨骼模板的中心曲线即为对应骨骼的中心曲线。
进一步的，计算每个骨骼的初始骨骼边缘点距上边缘曲线、下边缘曲线的最小距离的步骤包括：
根据下式（1）计算最小距离：
Figure 100002_DEST_PATH_IMAGE001
（1）
其中，ΔD表示最小距离；
Figure 466427DEST_PATH_IMAGE002
表示任意一个初始骨骼边缘点的坐标；
Figure 100002_DEST_PATH_IMAGE003
表示初始骨骼边缘点到上边缘曲线或者下边缘曲线上的最小距离的坐标点。
进一步的，根据最小距离及预设的阈值确定最终骨骼边缘点的步骤包括：
当最小距离大于预设的阈值时，将初始骨骼边缘点判定为非骨骼点；
当最小距离小于预设的阈值时，将初始骨骼边缘点判定为骨骼点，则该骨骼点即为最终骨骼点。
本发明的有益效果是：本发明的一种基于计算机视觉的放射影像智能分割方法，先利用阈值分割的方法提取初始骨骼边缘点，而后根据骨骼区域图像中各骨骼以及肺部之间的灰度差异、人体骨骼的轮廓特征来提取骨骼的最终骨骼边缘点，从初始骨骼边缘点到最终骨骼边缘点的目的是为了提取初始骨骼边缘点中准确的骨骼边缘点，从而根据最终骨骼边缘点建立掩膜，能得到准确的掩膜图像，对提取的各类骨骼的掩膜图像进行均衡化处理得到精确的增强图像，从而增强各骨骼区域的对比度，增加了骨骼区域的显示效果，有利于对病变区域进行判别。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的一种基于计算机视觉的放射影像智能分割方法的实施例总体步骤的流程图；
图2为图1中获取中心曲线的流程图；
图3为锁骨层掩膜图像；
图4为后肋骨层掩膜图像；
图5为前肋骨层掩膜图像。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的一种基于计算机视觉的放射影像智能分割方法的实施例，该方法包括：
S1、采集胸部X光图像，对胸部X光图像进行分割得到骨骼区域图像。
具体的，S11、对胸部X光图像进行DNN语义分割；S12、属于背景类的标注为0，属于骨骼类的标注为1，其中，骨骼类包括：肋骨和锁骨，其中，一根完整的肋骨分为前肋骨和后肋骨两部分，以前肋骨和后肋骨相交的区域的上边界作为划分边界，从X光胶片可以看出，肋骨上半段清晰的为后肋骨，而下半段较为模糊的为前肋骨；背景类抱包括胳膊，脖子；S13、获取属于背景类的背景区域和属于骨骼类的骨骼区域图像，其中，DNN网络的任务是分类，因此DNN网络所用的loss函数为交叉熵损失函数。
S2、以骨骼区域图像中每个像素点为中心点建立窗口图像，根据窗口图像内各个像素点灰度值获取突变点及突变点的数量，根据窗口图像内突变点的数量计算突变比例，根据突变比例及预设的突变比例阈值确定初始骨骼边缘点。
具体的，S21、以骨骼区域图像中每个像素点为中心点建立3*3窗口图像，S221、获取每个中心点对应的像素点的灰度值及中心点的8个方向邻域的像素点的灰度值；S222、根据下式（2）计算窗口图像内各个像素点与中心点的灰度差ΔG；
ΔG = |Gi – G| （2）
其中，ΔG表示的第i个像素点的灰度值与中心点对应的像素点的灰度值的灰度差值；S223、设定灰度差阈值ΔGT，当ΔG≥ΔGT时，则将第i个像素点判定为突变点，当ΔG＜ΔGT时，则将i点判定为非突变点.
S23、具体的，下式（3）计算突变比例P：
Figure 321251DEST_PATH_IMAGE004
（3）
其中，m为窗口图像中突变点的个数。
S24、具体的，设定突变比例阈值PT，当P≥PT时，则将该中心像素点定义为初始骨骼边缘点；当P＜PT时，则将该中心像素点定义为初始骨骼非边缘点。
S3、由于x光图像的特性，骨骼区域的灰度与其他组织（比如肺部区域）的灰度之间差异不明显，设置的阈值不可能完全区分出来骨骼和肺部，因此，提取的初始骨骼边缘点还包含其他组织点，或者噪声点，进而根据骨骼的特性对初始骨骼边缘点中的噪声点进行降噪得到最终骨骼边缘点，其目的是为了准确提取骨骼边缘点，具体的，将骨骼区域图像中的每个骨骼与预设的标准骨骼模板进行匹配得到对应的标准骨骼模板，获取标准骨骼模板的中心曲线，该中心曲线即为对应骨骼的中心曲线；
具体的，获取标准骨骼模板的中心曲线的步骤包括：S31、对标准骨骼模板进行二值化处理得到二值图像；S32、对二值图像进行细化处理得到骨骼的多个骨架节点；S33、基于图理论对所有骨架节点进行最短路经算法得到最短线条；最短路径形成的线条即为骨骼线条；S34、利用多项式拟合方法对骨骼线条进行拟合得到标准骨骼模板的中心曲线，所述标准骨骼模板的中心曲线即为对应骨骼的中心曲线。
其中，下式（4）为骨骼的中心曲线的表达式
Figure DEST_PATH_IMAGE005
：
Figure 38671DEST_PATH_IMAGE006
（4）
其中，
Figure 637142DEST_PATH_IMAGE005
表示第i个骨骼的中心曲线的表达式，
Figure DEST_PATH_IMAGE007
、
Figure 389198DEST_PATH_IMAGE008
、
Figure DEST_PATH_IMAGE009
为第i个骨骼的中心曲线对应的多项式拟合的系数。
S4、根据中心曲线及每个骨骼的轮廓获取每个骨骼的上边缘曲线和下边缘曲线。
具体的，由于骨骼的上下边缘所在曲线是平行的，即中心曲线与上下骨骼边缘的曲线是平行的,即下式（5）即为骨骼的上边缘曲线
Figure 883764DEST_PATH_IMAGE010
的表达式、下式（6）即为下边缘曲线
Figure DEST_PATH_IMAGE011
的表达式：
Figure 822901DEST_PATH_IMAGE012
（5）
Figure DEST_PATH_IMAGE013
（6）
其中W是中心曲线的位移量。
S5、计算每个骨骼的初始骨骼边缘点距上边缘曲线、下边缘曲线的最小距离，根据最小距离及预设的阈值确定最终骨骼边缘点。
具体的，S51、根据下式（1）计算最小距离：
Figure 225064DEST_PATH_IMAGE001
（1）
其中，ΔD表示最小距离；
Figure 362784DEST_PATH_IMAGE002
表示任意一个初始骨骼边缘点的坐标；
Figure 824989DEST_PATH_IMAGE003
表示初始骨骼边缘点到上边缘曲线或者下边缘曲线上的最小距离的坐标点。
S52、根据最小距离及预设的阈值确定最终骨骼边缘点的步骤包括：
当最小距离大于预设的阈值时，将初始骨骼边缘点判定为非骨骼点；当最小距离小于预设的阈值时，将初始骨骼边缘点判定为骨骼点，则该骨骼点即为最终骨骼点。
S6、根据最终骨骼边缘点制作掩膜，根据掩膜和骨骼区域图像得到掩膜图像，对掩膜图像进行均衡化得到增强图像，具体的，根据最终骨骼边缘点获取掩膜矩阵，根据掩膜矩阵制作掩膜，根据掩膜和骨骼区域图像将骨骼区域图像中对应的锁骨层、后肋骨层、前肋骨层分割出来，提取骨骼区域图像中锁骨层、后肋骨层、前肋骨层对应的锁骨层掩膜图像、后肋骨层掩膜图像、前肋骨层掩膜图像，分别对锁骨层掩膜图像、后肋骨层掩膜图像、前肋骨层掩膜图像进行均衡化得到对应的增强图像。
综上所述，本发明提供一种基于计算机视觉的放射影像智能分割方法，先利用阈值分割的方法提取初始骨骼边缘点，而后根据骨骼区域图像中各骨骼以及肺部之间的灰度差异、人体骨骼的轮廓特征来提取骨骼的最终骨骼边缘点，从初始骨骼边缘点到最终骨骼边缘点的目的是为了提取初始骨骼边缘点中准确的骨骼边缘点，从而根据最终骨骼边缘点建立掩膜，能得到准确的掩膜图像，对提取的各类骨骼的掩膜图像进行均衡化处理得到精确的增强图像，从而增强各骨骼区域的对比度，增加了骨骼区域的显示效果，有利于对病变区域进行判别。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于计算机视觉的放射影像智能分割方法，其特征在于，该方法包括：
采集胸部X光图像，对胸部X光图像进行分割得到骨骼区域图像；
以骨骼区域图像中每个像素点为中心点建立窗口图像，根据窗口图像内各个像素点灰度值获取突变点及突变点的数量，根据窗口图像内突变点的数量计算突变比例，根据突变比例及预设的突变比例阈值确定初始骨骼边缘点；
将骨骼区域图像中的每个骨骼与预设的标准骨骼模板进行匹配得到对应的标准骨骼模板，获取标准骨骼模板的中心曲线，该中心曲线即为对应骨骼的中心曲线；
根据中心曲线及每个骨骼的轮廓获取每个骨骼的上边缘曲线和下边缘曲线；
计算每个骨骼的初始骨骼边缘点距上边缘曲线、下边缘曲线的最小距离，根据最小距离及预设的阈值确定最终骨骼边缘点；
根据最终骨骼边缘点制作掩膜，根据掩膜和骨骼区域图像得到掩膜图像，对掩膜图像进行均衡化得到增强图像。
2.根据权利要求1所述的一种基于计算机视觉的放射影像智能分割方法，其特征在于，对胸部X光图像进行分割得到骨骼区域图像的步骤包括：
对胸部X光图像进行DNN语义分割；
属于背景类的标注为0，属于骨骼类的标注为1，其中，骨骼类包括：肋骨和锁骨；
获取属于背景类的背景区域和属于骨骼类的骨骼区域图像。
3.根据权利要求1所述的一种基于计算机视觉的放射影像智能分割方法，其特征在于，根据窗口图像内各个像素点灰度值获取突变点及突变点的数量的步骤包括：
获取每个中心点对应的像素点的灰度值及中心点的8个方向邻域的像素点的灰度值；
计算窗口图像内各个像素点与中心点的灰度差；
根据灰度差获取突变点，并确定突变点的数量。
4.根据权利要求1所述的一种基于计算机视觉的放射影像智能分割方法，其特征在于，根据窗口图像内突变点的数量计算突变比例，根据突变比例及预设的突变比例阈值确定初始骨骼边缘点的步骤包括：
计算突变点个数占窗口图像内所有像素点个数的比例，该比例记为突变比例；
当突变比例大于突变比例阈值时，则将该中心像素点定义为初始骨骼边缘点；
当突变比例大于突变比例阈值时，则将该中心像素点定义为初始骨骼非边缘点。
5.根据权利要求1所述的一种基于计算机视觉的放射影像智能分割方法，其特征在于，获取标准骨骼模板的中心曲线的步骤包括：
对标准骨骼模板进行二值化处理得到二值图像；
对二值图像进行细化处理得到骨骼的多个骨架节点；
基于图理论对所有骨架节点进行最短路经算法得到最短线条；最短路径形成的线条即为骨骼线条；
利用多项式拟合方法对骨骼线条进行拟合得到标准骨骼模板的中心曲线，所述标准骨骼模板的中心曲线即为对应骨骼的中心曲线。
6.根据权利要求1所述的一种基于计算机视觉的放射影像智能分割方法，其特征在于，计算每个骨骼的初始骨骼边缘点距上边缘曲线、下边缘曲线的最小距离的步骤包括：
根据下式（1）计算最小距离：
Figure DEST_PATH_IMAGE001
（1）
其中，ΔD表示最小距离；
Figure 427845DEST_PATH_IMAGE002
表示任意一个初始骨骼边缘点的坐标；
Figure DEST_PATH_IMAGE003
表示初始骨骼边缘点到上边缘曲线或者下边缘曲线上的最小距离的坐标点。
7.根据权利要求1所述的一种基于计算机视觉的放射影像智能分割方法，其特征在于，根据最小距离及预设的阈值确定最终骨骼边缘点的步骤包括：
当最小距离大于预设的阈值时，将初始骨骼边缘点判定为非骨骼点；
当最小距离小于预设的阈值时，将初始骨骼边缘点判定为骨骼点，则该骨骼点即为最终骨骼点。
CN202210536070.3A 2022-05-18 2022-05-18 一种基于计算机视觉的放射影像智能分割方法 Active CN114638828B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210536070.3A CN114638828B (zh) 2022-05-18 2022-05-18 一种基于计算机视觉的放射影像智能分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210536070.3A CN114638828B (zh) 2022-05-18 2022-05-18 一种基于计算机视觉的放射影像智能分割方法

Publications (2)

Publication Number Publication Date
CN114638828A true CN114638828A (zh) 2022-06-17
CN114638828B CN114638828B (zh) 2022-09-23

Family

ID=81952892

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210536070.3A Active CN114638828B (zh) 2022-05-18 2022-05-18 一种基于计算机视觉的放射影像智能分割方法

Country Status (1)

Country Link
CN (1) CN114638828B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114820829A (zh) * 2022-06-24 2022-07-29 数聚(山东)医疗科技有限公司 一种用于放射影像的智能压缩方法
CN115661138A (zh) * 2022-12-13 2023-01-31 北京大学第三医院（北京大学第三临床医学院） 基于dr影像的人体骨骼轮廓检测方法
CN115760853A (zh) * 2023-01-06 2023-03-07 山东常生源生物科技股份有限公司 一种食用菌图像识别方法
CN116168027A (zh) * 2023-04-24 2023-05-26 山东交通学院 基于视觉定位的木工机械智能切割方法
CN116402816A (zh) * 2023-06-08 2023-07-07 中国人民解放军海军青岛特勤疗养中心 一种体检ct影像数据的管理方法及系统
CN117237619A (zh) * 2023-11-16 2023-12-15 数聚(山东)医疗科技有限公司 基于机器视觉技术的水上救援探测系统及方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013003880A1 (en) * 2011-07-06 2013-01-10 Revroof Pty Ltd Method and apparatus for forming corrugated panels
CN103218800A (zh) * 2011-09-27 2013-07-24 西门子公司 用于自动肋骨中心线提取的方法和系统
CN104252708A (zh) * 2013-06-28 2014-12-31 深圳先进技术研究院 一种x光胸片图像处理方法及系统
CN104809736A (zh) * 2015-05-12 2015-07-29 河海大学常州校区 基于先验知识的医学断层图像闭合骨骼轮廓计算方法
CN105631843A (zh) * 2014-10-27 2016-06-01 东北林业大学 基于向量内积的骨架提取方法
US20170109893A1 (en) * 2015-10-19 2017-04-20 Shanghai United Imaging Healthcare Co., Ltd. Method and system for image segmentation
CN109124662A (zh) * 2018-07-13 2019-01-04 上海皓桦科技股份有限公司 肋骨中心线检测装置及方法
CN112017148A (zh) * 2019-05-31 2020-12-01 杭州三坛医疗科技有限公司 一种单节骨骼轮廓的提取方法及装置
CN112241966A (zh) * 2020-09-21 2021-01-19 西北大学 多任务多分类的胸部器官分割模型建立、分割方法及系统
CN114037719A (zh) * 2022-01-11 2022-02-11 北京威高智慧科技有限公司 骨骼区域确定方法、装置、电子设备及存储介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013003880A1 (en) * 2011-07-06 2013-01-10 Revroof Pty Ltd Method and apparatus for forming corrugated panels
CN103218800A (zh) * 2011-09-27 2013-07-24 西门子公司 用于自动肋骨中心线提取的方法和系统
CN104252708A (zh) * 2013-06-28 2014-12-31 深圳先进技术研究院 一种x光胸片图像处理方法及系统
CN105631843A (zh) * 2014-10-27 2016-06-01 东北林业大学 基于向量内积的骨架提取方法
CN104809736A (zh) * 2015-05-12 2015-07-29 河海大学常州校区 基于先验知识的医学断层图像闭合骨骼轮廓计算方法
US20170109893A1 (en) * 2015-10-19 2017-04-20 Shanghai United Imaging Healthcare Co., Ltd. Method and system for image segmentation
CN109124662A (zh) * 2018-07-13 2019-01-04 上海皓桦科技股份有限公司 肋骨中心线检测装置及方法
CN112017148A (zh) * 2019-05-31 2020-12-01 杭州三坛医疗科技有限公司 一种单节骨骼轮廓的提取方法及装置
CN112241966A (zh) * 2020-09-21 2021-01-19 西北大学 多任务多分类的胸部器官分割模型建立、分割方法及系统
CN114037719A (zh) * 2022-01-11 2022-02-11 北京威高智慧科技有限公司 骨骼区域确定方法、装置、电子设备及存储介质

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
XUECHEN LI ET AL: "An Automatic Rib Segmentation Method on X-Ray Radiographs", 《INTERNATIONAL CONFERENCE ON MULTIMEDIA MODELING》 *
康文雄等: "利用模板和邻域信息的静脉骨架提取新算法", 《中国图象图形学报》 *
杨莉等: "骨龄自动评测系统中桡骨的分割与提取研究", 《现代电子技术》 *
梁坚等: "X线平片的骨折识别", 《计算机应用研究》 *
王鑫等: "基于解剖结构知识的X光胸片中肺部肋骨边缘检测", 《航天医学与医学工程》 *
胡斯淼等: "基于向量内积的新型骨架提取方法", 《液晶与显示》 *
陈东泽: "X光胸片肺部肋骨边缘临床检测解刨结构分析", 《中国卫生产业》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114820829A (zh) * 2022-06-24 2022-07-29 数聚(山东)医疗科技有限公司 一种用于放射影像的智能压缩方法
CN114820829B (zh) * 2022-06-24 2022-09-09 数聚(山东)医疗科技有限公司 一种用于放射影像的智能压缩方法
CN115661138A (zh) * 2022-12-13 2023-01-31 北京大学第三医院（北京大学第三临床医学院） 基于dr影像的人体骨骼轮廓检测方法
CN115661138B (zh) * 2022-12-13 2023-03-21 北京大学第三医院（北京大学第三临床医学院） 基于dr影像的人体骨骼轮廓检测方法
CN115760853A (zh) * 2023-01-06 2023-03-07 山东常生源生物科技股份有限公司 一种食用菌图像识别方法
CN115760853B (zh) * 2023-01-06 2023-07-14 山东常生源生物科技股份有限公司 一种食用菌图像识别方法
CN116168027A (zh) * 2023-04-24 2023-05-26 山东交通学院 基于视觉定位的木工机械智能切割方法
CN116168027B (zh) * 2023-04-24 2023-07-04 山东交通学院 基于视觉定位的木工机械智能切割方法
CN116402816A (zh) * 2023-06-08 2023-07-07 中国人民解放军海军青岛特勤疗养中心 一种体检ct影像数据的管理方法及系统
CN116402816B (zh) * 2023-06-08 2023-08-15 中国人民解放军海军青岛特勤疗养中心 一种体检ct影像数据的管理方法及系统
CN117237619A (zh) * 2023-11-16 2023-12-15 数聚(山东)医疗科技有限公司 基于机器视觉技术的水上救援探测系统及方法
CN117237619B (zh) * 2023-11-16 2024-02-02 数聚(山东)医疗科技有限公司 基于机器视觉技术的水上救援探测系统及方法

Also Published As

Publication number Publication date
CN114638828B (zh) 2022-09-23

Similar Documents

Publication Publication Date Title
CN114638828B (zh) 一种基于计算机视觉的放射影像智能分割方法
Zotin et al. Lung boundary detection for chest X-ray images classification based on GLCM and probabilistic neural networks
US7221787B2 (en) Method for automated analysis of digital chest radiographs
EP2988272B1 (en) A method for computer-aided analysis of medical images
US7623692B2 (en) Pulmonary nodule detection in a chest radiograph
Wan Ahmad et al. Lung segmentation on standard and mobile chest radiographs using oriented Gaussian derivatives filter
CN115359052B (zh) 基于聚类算法的医疗影像增强方法
Hosntalab et al. Segmentation of teeth in CT volumetric dataset by panoramic projection and variational level set
CN114677391A (zh) 一种脊椎图像分割方法
Silveira et al. Automatic segmentation of the lungs using robust level sets
Hong et al. Automatic lung nodule matching on sequential CT images
US20090060332A1 (en) Object segmentation using dynamic programming
CN113643353B (zh) 眼底图像的血管管径的增强分辨率的测量方法
CN108305247B (zh) 一种基于ct图像灰度值检测组织硬度的方法
Lee et al. Unsupervised segmentation of lung fields in chest radiographs using multiresolution fractal feature vector and deformable models
CN117974652B (zh) 基于机器视觉的超声影像辅助定位方法
Oğul et al. Eliminating rib shadows in chest radiographic images providing diagnostic assistance
Arifin et al. Detection of overlapping teeth on dental panoramic radiograph
Chen et al. Detection of various dental conditions on dental panoramic radiography using Faster R-CNN
Khorshidi Segmentation of tumor region in respiratory disease by extended algorithm.
JP2017018339A (ja) 胸部ｘ線画像における肺結節明瞭化法
CN117218200A (zh) 一种基于精准识别的骨肿瘤病灶定位方法及装置
CN117011318A (zh) 一种牙齿ct图像三维分割方法、系统、设备及介质
Yao et al. Automatic segmentation of colonic polyps in CT colonography based on knowledge-guided deformable models
Akmal et al. Chest X-ray image classification on common thorax diseases using GLCM and alexnet deep features

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant